不良贷款有无回收判别:一类可选变量的支持向量机方法

针对不良贷款有无回收判别问题中属性变量数目多、示性变量比例高的特点,提出了一类可选择变量的支持向量机方法进行判别预测.该方法一是将逐步回归的支持向量机思想应用在模型变量的选择上,二是将线性逐步回归的结果作为模型选择变量的初始状态,解决了传统支持向量机只能使用固定变量的问题. 实证结果显示,该方法不仅提高了样本外预测的正确率, 而且具有很好的稳健性.     

Incremental support vector machine algorithm based on multi-kernel learning

A new incremental support vector machine (SVM) algorithm is proposed which is based on multiple kernel learning.Through introducing multiple kernel learning into the SVM incremental learning,large scale data set learning problem can be solved effectively.Furthermore,different punishments are adopted in allusion to the training subset and the acquired support vectors,which may help to improve the performance of SVM.Simulation results indicate that the proposed algorithm can not only solve the model selection problem in SVM incremental learning,but also improve the classification or prediction precision.     

财务困境预测中的变量筛选——基于平均影响值的SVM方法

在财务困境预测中,如何从大量备选指标中筛选出预警指标是一个重要环节。为了更有效地设计财务困境预测模型,本文将平均影响值方法应用于SVM回归来进行变量筛选,首先对训练集数据用SVM进行训练,然后分别增减每一自变量的10%来进行仿真,对两个仿真结果的差值按样本数平均,得出平均影响值;最后对各个自变量的平均影响值按绝对值大小排序,从而进行变量筛选。实证结果表明,该方法能够以较少的特征变量实现较高的分类精度,是切实有效的。     

基于集成预测的均值-方差-熵的模糊投资组合选择

通过基于集成预测的方法构建模糊投资组合, 代表性地选择了遗传神经网络模型、 多因素SVM回归模型和ARIMA时间序列模型作为组合预测中的单一模型, 并将单一模型预测结果作为模糊变量进行投资组合优化, 实证结果表明基于集成预测的均值 -方差-熵的投资组合相比其他组合收益率更高, 相对风险更低. 该方法可以用于投资基金管理、 金融风险管理等实际工作中,以便提高决策的科学性.     

基于支持向量机的高分辨距离像分类法

支持向量机 (supportvectormachine ,SVM)是新一代学习机 ,具有良好的泛化性能。高分辨距离像(HRRP)分类是雷达复杂目标分类的重要方法。采用SVM作为分类器 ,研究了飞机目标HRRP分类法。设计了相应的预处理算法 ,并提出了结合VapnikChervonenkis维法和留一 (LOO)交叉验证法的参数选择算法。基于 5种飞机缩比模型的HRRP数据 ,比较了SVM分类法和最大相关分类法的性能 ,研究了噪声、训练用方位角采样数和训练样本集的大小对识别性能的影响。实验结果表明 ,SVM在HRRP分类上具有良好的应用前景。     

基于自适应变异PSO-SVM的APU性能参数预测模型

为提高辅助动力装置(auxiliary power unit,APU)性能参数预测的精度,针对支持向量机(support vector machine,SVM)模型在实际使用中遇到的参数选择问题,采用自适应变异粒子群优化(particle swarm opti-mization,PSO)算法实现对SVM惩罚参数和核参数...     

基于混合核函数SVM水文时序模型及其应用

核函数的选取与构造是SVM应用的关键所在. 传统SVM在水文时序分析方面的应用多是默认选取单一径向基核函数,而忽略了核函数的选择对模型精度和预测结果的影响. 本文基于Mercer核理论,将多项式核与径向基核进行线性组合,构造出混合 核函数,并植入SVM中,对水文时序建立自回归预测模型. 基于武山站和南河川站的月径流预测结果表明,预测序列的相对误差及 均方误差明显优于任一单一核函数. 这是由于混合核函数能够更好地适应并处理复杂的水文时序变化,因此提高了预测精度. 该研究为利用SVM解决复杂多变的非线性水文时序提供了新的探索模式.     

Parameter selection of support vector machine for function approximation based on chaos optimization

The support vector machine （SVM） is a novel machine learning method, which has the ability to approximate nonlinear functions with arbitrary accuracy. Setting parameters well is very crucial for SVM learning results and generalization ability, and now there is no systematic, general method for parameter selection. In this article, the SVM parameter selection for function approximation is regarded as a compound optimization problem and a mutative scale chaos optimization algorithm is employed to search for optimal paraxneter values. The chaos optimization algorithm is an effective way for global optimal and the mutative scale chaos algorithm could improve the search efficiency and accuracy. Several simulation examples show the sensitivity of the SVM parameters and demonstrate the superiority of this proposed method for nonlinear function approximation.     

基于地形起伏和SVM的SAR景象MSA选取

为提高合成孔径雷达(synthetic aperture radar, SAR)景象匹配区(matching suitable areas,MSA)的匹配概率和匹配精度,提出基于支持向量机(support vector machine, SVM)的SAR景象MSA选取方法。首先结合SAR图像特性,选取基于数字高程模型、基于灰度和基于特征的3级特征参数;然后基于综合特征量,利用SVM训练样本数据,得到MSA决策函数。该方法充分考虑了SAR图像信息对MSA选取结果的影响及特征参数间的相关性,能够有效规划出高性能的匹配区。

---

     

基于GA和Bootstrap的最小二乘支持向量机参数优选

支持向量机是一种新型的学习方法,该方法以结构风险最小化原则取代传统机器学习中的经验风险最小化原则,在小样本的机器学习中显示出了优异的性能.传统的支持向量机是解凸二次规划问题,而最小二乘支持向量机是解等式线性方程,显得尤为方便.针对最小二乘支持向量机的特点,通过Bootstrap建立适当的性能指标,用遗传算法(GA)优化最小二乘支持向量机的有关参数,并在非线性经济系统中应用.用最小二乘支持向量机对非线性经济系统进行预测的结果与神经网络预测的结果比较证明,该模型的预测精确度是令人满意的,文中提出的方法是可行的.     

基于SVM的故障预报中的并行优化仿真研究

在基于支持向量机的故障预报过程中,故障样本数据的不相关变量会影响支持向量机的性能;加权支持向量机中直接选择加权系数存在很多不足;支持向量机参数主要凭人的经验或通过多次实验获得,还没有一个确定而有效的方法.针对这三种问题,提出了采用改进的人工鱼群算法将特征选择、加权系数、支持向量机参数进行并行优化的方法,并将此方法应用于船舶动力装置冷凝器的故障预报中.仿真结果表明:相对于单独优化,并行优化能够在更短的时间内进行最有效的故障特征提取,并且提高支持向量机的性能;相对于遗传算法,改进人工鱼群算法能够以更快的速度达到最终的优化结果.     

基于支持向量机的重力匹配算法

为了在重力异常特征微弱区域内实现重力辅助导航以及提高惯性导航系统在重力异常特征明显区域内的定位精度和匹配率,提出了基于支持向量机的重力匹配算法.研究了支持向量机学习样本的选取、支持向量机参数和重力粗糙度的关系,构造了用于重力匹配算法的支持向量机.经计算仿真研究表明,通过选择适当的支持向量机参数,可以实现重力辅助导航,算法在重力特征显著的区域具有较高的匹配率,组合导航系统的定位误差在一个重力图网格左右.     

Comparison on neural networks and support vector machines in suppliers' selection

Suppliers＇ selection in supply chain management （SCM） has attracted considerable research interests in recent years. Recent literatures show that neural networks achieve better performance than traditional statistical methods. However, neural networks have inherent drawbacks, such as local optimization solution, lack generalization, and uncontrolled convergence. A relatively new machine learning technique, support vector machine （SVM）, which overcomes the drawbacks of neural networks, is introduced to provide a model with better explanatory power to select ideal supplier partners. Meanwhile, in practice, the suppliers＇ samples are very insufficient. SVMs are adaptive to deal with small samples＇ training and testing. The prediction accuracies for BPNN and SVM methods are compared to choose the appreciating suppliers. The actual examples illustrate that SVM methods are superior to BPNN.     

系统辨识中支持向量机核函数及其参数的研究

具有不同核函数和参数的支持向量机（SVM）的性能存在很大差异，核函数及其参数的选择是SVM应用和理论研究中的一个重要问题。在简要介绍非线性系统辨识的支持向量机方法后，重点对常用的核函数及其参数的选择进行了研究，并采用具有不同核函数的SVM进行非线性系境辩识。大量实验结果表明，采用SVM方法进行系统辨识时，径向基核函数（RBKF）比其它核函数的辨识效果好，且RBKF的参数选择较容易，当参数在有效范围内改变时，空间复杂度变化小，易于实现。因此，RBKF是系统辨识SVM的较好选择。     

基于支持向量机与概率输出网的深度学习模型

本文提出了基于支持向量机与概率输出网络的深度学习回归模型.该回归模型利用深度学习的深层结构,以及支持向量机的泛化能力、概率输出网络中的条件概率估计特点,建立了多层支持向量机的深度学习结构,避免了深度学习的参数选择问题.其中核参数的选择域呈网格状,通过求取输出对应β分布的累积概率分布和经验累积概率分布的K-S检验,求取一致性的p值最大对应的核参数作为支持向量机模型的核参数.对应的输出为模型提取的特征,作为下一层的输入,直至模型达到结束条件为止.仿真实验通过三个标准的回归数据集证明了本文提出模型的有效性.     

Highly accurate SVM model with automatic feature selection for word sense disambiguation

A novel algorithm for word sense disambiguation(WSD) that is based on SVM model improved with automatic feature selection is introduced. This learning method employs rich contextual features to predict the proper senses for specific words. Experimental results show that this algorithm can achieve an execellent performance on the set of data released during the SENSEEVAL-2 competition. We present the results obtained and discuss the transplantation of this algorithm to other languages such as Chinese. Experimental results on Chinese corpus show that our algorithm achieves an accuracy of 70.0 % even with small training data.     

模糊软集合理论在税收组合预测中的应用

结合模糊软集合理论建立税收收入的组合预测模型,根据税收收入的特点,代表性地选择了Elman回归神经网络模型、含政策虚拟变量的自回归模型、ARIMA(1,1,1)的时间序列模型、多因素SVM回归模型这四种模型作为组合预测中的单一模型,并以1980年到2008年的税收收入等相关数据为背景进行了说明和分析.结果表明该组合预测模型能有效减小预测误差,为税收工作实践提供了一个应用研究工具,并推广和丰富了软集合理论在税收经济模型研制中的实际应用.     

基于活跃集迭代法的支持向量机快速增量学习算法

介绍了一种新的支持向量机（SVM），其优化问题的对偶问题为具有简单界约束的凸二次规划问题：探讨了将活跃集迭代法运用于这种SVM的学习算法以及初始活跃集的选取问题；针对增量学习和大规模学习问题，提出了基于活跃集迭代法的SVM快速增量学习算法；实验验证了算法的有效性。     

支持向量机在武器系统效能评估中的应用

传统的基于仿真的武器系统效能评估方法一般都需要大量仿真实验结果的统计量。针对仿真实验样本有限的情况,首先分析了统计学习理论和支持向量机(Support Vector Machine,SVM)方法;接着在此基础上研究了基于支持向量机的武器系统效能评估方法,并对该评估方法进行算子化,得到基于支持向量机的效能评估预报模型;最后,针对导弹武器系统效能评估问题,给出基于支持向量机的效能评估算子的应用例子,并对评估结果进行了分析。     

利用声波和地震波识别军事车辆类型

声波和地震波是军事车辆类型识别的重要信息源,针对军事车辆运动时产生的声波和地震波,采用短时傅里叶变换提取其波形数据的频谱特征向量,提出基于能量频谱密度进行二次特征选择,构造声波和地震波频谱特征向量子空间,从而降低了特征向量的维数.应用支持向量机(SVM)和最近邻分类法(KNN)分别对声波和地震波数据来进行军事车辆分类,结果表明:基于能量频谱密度的二次特征选择方法能有效地构造出声波和地震波的特征子空间,由此得到的分类准确率高于传统的特征选择方法.通过比较SVM和KNN的分类结果可以得出SVM的分类效果优于KNN.